Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions
Эта книга посвящена критически важному аспекту современного машинного обучения — интерпретируемости (Explainable AI, XAI). В отличие от многих других руководств, сосредоточенных исключительно на повышении точности моделей, данное издание предлагает практический взгляд на методы, позволяющие понять, почему и как модель машинного обучения принимает те или иные решения. Авторы, опытные инженеры из Google, рассматривают объяснимость как неотъемлемый инструмент для построения более надежных, ответственных и доверенных ML-систем.
Книга предоставляет детальный обзор наиболее полезных и часто применяемых техник объяснимости, таких как SHAP, LIME, интегрированные градиенты и атрибутивные методы. Для каждой техники обсуждаются её сильные и слабые стороны, что помогает практикующему специалисту выбрать оптимальный инструмент под конкретную задачу и тип данных (табличные, текстовые, изображения). Особое внимание уделяется взаимодействию с результатами объяснений и избеганию распространенных ошибок.
Издание носит сугубо практический характер. Все концепции подкреплены примерами реализации на Python с использованием популярных библиотек (TensorFlow 2.0/Keras, PyTorch, HuggingFace) и фреймворков для объяснимости. Книга содержит советы и лучшие практики по интеграции методов XAI в ежедневный рабочий процесс ML-инженера или data scientist.
«Explainable AI for Practitioners» — это руководство для специалистов среднего и высокого уровня, которые хотят выйти за рамки простой оптимизации метрик и научиться проектировать, внедрять и эффективно использовать методы объяснимого искусственного интеллекта для создания более прозрачных и надежных ML-решений.
